我使用truncatedSVD和30000 x 40000大小的term-document矩阵将尺寸减小到3000维， 当使用＆＃39; randomized＆＃39;时，方差比约为0.5（n_iter = 10） 当使用＆＃39; arpack＆＃39;时，方差比约为0.9
随机化的方差比＆＃39;算法低于＆＃39; arpack＆＃39;。
为什么scikit-learn truncatedSVD使用＆＃39;随机化＆＃39;算法默认？
答案 0 :(得分：5)
速度！
根据docs，由于Halko, Martinson, and Tropp (2009).，sklearn.decomposition.TruncatedSVD可以使用随机算法。本文声称他们的算法速度要快得多。
对于密集矩阵，它在O（m * n * log（k））时间运行，而经典算法需要O（m * n * k）时间，其中m和n是矩阵的维数你想要第k个最大的组件。随机算法也更容易有效地并行化，并且对数据的传递更少。
本文的表7.1（第45页）显示了一些算法的性能，它们是矩阵大小和组件数的函数，随机算法的速度通常要快一个数量级。
输出的准确性也声称非常好（图7.5），虽然有一些修改和常量可能会影响它，但我还没有通过sklearn代码看看他们做了什么/做了什么不行。